Разработка системы мониторинга дорожного окружения при грузоперевозках на дальние расстояния Текст научной статьи по специальности «Компьютерные и информационные науки»

ТЕХНИЧЕСКИЕ НАУКИ

РАЗРАБОТКА СИСТЕМЫ МОНИТОРИНГА ДОРОЖНОГО ОКРУЖЕНИЯ ПРИ ГРУЗОПЕРЕВОЗКАХ

НА ДАЛЬНИЕ РАССТОЯНИЯ 1 2 Сафрыгин Н.Н. , Белов С.В.

1Сафрыгин Николай Николаевич - магистрант, направление: информатика и вычислительная техника;

2Белов Сергей Валерьевич - научный руководитель, кандидат технических наук, доцент,

заведующий кафедрой, кафедра автоматизированных систем обработки информации и управления, Института информационных технологий и коммуникаций Астраханский государственный технический университет, г. Астрахань

Аннотация: в данной статье рассмотрен подход к реализации программно-аппаратного комплекса прогнозирования дорожной ситуации. Комплекс представляет собой нейронную сеть, развернутую на стороне сервера, и веб-сервис на стороне клиента. Нейронная сеть обрабатывает входные данные, полученные из сторонних сервисов и датчиков в исследуемом автомобиле. Входные данные представляют собой параметры, оказывающие влияние на безопасность дорожного окружения, такие как погодные условия, состояние дорожного полотна, загруженность полосы движения, состояние автомобиля и т.д. Результатом работы нейронной сети будет заблаговременное предсказание опасных ситуаций на основе значений входных параметров и вердикт системы для разрешения проблемы.

В статье представлена математическая модель процесса обучения нейронной сети. Преимуществом комплекса является высокая точность и информативность получаемых оператором данных, отсутствие необходимости получать данные из разных источников, самообучение сети на основе тестовых данных, а также самостоятельное принятие решений для избегания дорожно-транспортных происшествий. Ключевые слова: программно-аппаратный комплекс, нейронная сеть, нейрон, обучение НС, тестовый набор, экспертная система.

Мониторинг дорожной ситуации при грузоперевозках на дальние расстояния является актуальной проблемой, так как он позволяет своевременно предсказать возникновение аварийных ситуаций и повысить безопасность дорожного движения в целом [6, 7].

На данный момент, выходя в рейс, водитель остается один на один со всеми возможными непредвиденными ситуациями. Зачастую такие ситуации могут заставить его изменить маршрут движения, выполнить непредвиденную остановку, а могут повлечь поломку машины, потерю груза или нанесения вреда здоровью, а может даже и смерть водителя. Анализ данных ситуаций выполняется водителем при их возникновении, и зачастую он рассматривает их отдельно от окружающих факторов, способных внести свои коррективы.

Решением проблемы объективности анализа являются системы прогнозирования изменения ситуации с расчетом возможного разрешения проблем. На данный момент существует множество систем, позволяющих оценить ситуацию на дороге по многим факторам, однако все они являются исключительно информационными и не способны предсказать воздействие на движение. Также все эти системы отделены друг от друга, и для объективной оценки ситуации необходимо рассматривать показатели вручную [2, 3, 4, 5].

Все вышеперечисленное объясняет необходимость написания программно -аппаратного комплекса, в основе которого будет находиться использование высокоточных методов прогнозирования и различных по направлению сервисов, способных показать ситуацию на дороге с различных сторон и самостоятельно принимать решение для избегания опасных ситуаций, тем самым снижая риск возникновения дорожно-транспортных происшествий.

В основе комплекса предлается развернуть нейронную сеть, как обучающуюся систему, способную самостоятельно анализировать вновь поступающую информацию

и производить на ее основе прогнозирование.

***

При изучении предметной области были выявлены параметры, влияющие на дорожную ситуацию. Среди них можно выделить погодные условия, уровень пробок и ДТП, данные об автомобиле и т.д. На рис. 1 представлен куб данных, описывающий параметры, влияющие на безопасность [1]. Для удобства параметры объединены в группы по функциональному признаку.

Рис. 1. Схема куба данных «Мониторинг дорожного окружения»

Решаемая задача предполагает прогнозирование изменения дорожной ситуации с учетом входных параметров и расчет возможного решения проблемы при помощи нейронных сетей.

Формализовать задачу можно следующим образом: в ходе рейса данные с различных сервисов и устройств отправляются на сервер оператора. Набор данных можно рассматривать как составляющие для нейронной сети (входные нейроны) х,. в

' К', , , .. . , IV.. '

соответствие которым ставятся

веса (синапсы)

"И>„

.Также

о

для вычисления выходного сигнала

дополнительно определен свободный член (рис.2).

В качестве входных нейронов будут использованы следующие характеристики:

• Время суток.

• Освещенность дорожного полотна.

• Состояние дорожного полотна.

• Уровень пробок.

• Уровень ДТП.

• Скорость автомобиля.

• Время в пути.

• Температура воздуха.

• Ветер.

• Направление ветра.

• Осадки.

• Уровень осадков.

Рис. 2. Схема нейрона

Сигнал на выходе нейрона вычисляется по формуле (1):

2 = / О) (1) где V - взвешенная сумма сигналов на входах нейрона;

/ - передаточная функция нейрона, например сигмоидальная функция. Взвешенную сумму V можно найти, используя формулу (2):

V = ] IИ;Х; + м/0 (2) В общем случае задача обучения НС сводится к нахождению некой функциональной зависимости (1): 2 = / (V) , где V - входной, а г - выходной векторы [8, 9, 10]. В общем случае такая задача, при ограниченном наборе входных данных, имеет бесконечное множество решений.

Для ограничения пространства поиска при обучении ставится задача минимизации целевой функции ошибки НС, которая находится по методу наименьших квадратов (3):

(3)

ВД = ±5]Р=1(уг -а,)2

где у] - значение]-го выхода нейросети; 4 - целевое значение ]-го выхода; р - число нейронов в выходном слое.

Обучение нейросети производится методом градиентного спуска, т. е. на каждой итерации изменение веса производится по формуле (4):

Ашц =

дЕ (4)

где И - параметр, определяющий скорость обучения;

^ = (5)

(9IV/у ду>1 (IV! (9IV/у

где у] - значение выхода]-го нейрона;

V] - взвешенная сумма входных сигналов, определяемая по формуле (2). При этом последний множитель формулы (5) равен (6):

ду;

Т^ = Х1 (6)

дшц '

где х, - значение /-го входа нейрона.

Определение первого множителя формулы (5) определяется соотношением (7):

dyi Кдук dvk dyj ^Кдук dvk }*■

где к - число нейронов в слое n+1. Введем вспомогательную переменную (8):

5(п) = (8)

J дУ1 dvj v '

Тогда можно определить рекурсивную формулу для определения n-ного слоя, если известно следующего (n+1) -го слоя (9).

sf = [Z к8(:+^Г 1 ] А (9)

Нахождение j для последнего слоя НС не представляет трудности, так как известен целевой вектор, т. е. вектор тех значений, которые должна выдавать НС при данном наборе входных значений (10).

s!N) = (y(N)-dd*S: (Ю)

И наконец запишем формулу (4) в раскрытом виде (11):

д = - ß*s(n)*x? (11)

Рассмотрим теперь полный алгоритм обучения нейросети [8]:

• подать на вход НС один из требуемых образов и определить значения выходов нейронов нейросети;

• рассчитать для выходного слоя НС по формуле (10) и рассчитать изменения весов выходного слоя N по формуле (11);

• рассчитать по формулам (9) и (11) соответственно и Д w(N) для остальных слоев НС, n = N-1..1

• скорректировать все веса НС (12):

< (t) = w(;\t-i ) + дм(р\ о (12)

• если ошибка существенна, то перейти на шаг 1.

***

Метод градиентного спуска, рассмотренный выше, очень неэффективен в случае, когда производные по различным весам сильно отличаются. Это соответствует ситуации, когда значение функции S для некоторых нейронов близка по модулю к 1 или когда модуль некоторых весов много больше 1. В этом случае для плавного уменьшения ошибки надо выбирать очень маленькую скорость обучения, но при этом обучение может занять непозволительно много времени.

Простейшим методом усовершенствования градиентного спуска является введение момента m, когда влияние градиента на изменение весов изменяется со временем. Тогда формула (11) примет вид (13):

Дш^ ( t) = - ц * s(n) *xf + m* Д w(f (t - i ) (13) Дополнительным преимуществом от введения момента является способность алгоритма преодолевать мелкие локальные минимумы.

Список литературы

1. Баргесян А.А. Анализ данных и процессов: учеб. пособие. 3 изд. СПб: БХВ-Петербург, 2009. 512 с.

2. Веб-сервис Рамблер На карте. [Электронный ресурс]. Режим доступа: http://nakarte.rambler.ru/ (дата обращения: 14.05.2018).

3. Веб-сервис Яндекс Карты [Электронный ресурс]. Режим доступа: http://maps.yandex.ru/ (дата обращения: 14.05.2018).

4. Веб-сервис MSN Maps компании Microsoft [Электронный ресурс]. Режим доступа: http://maps.live.com/ (дата обращения: 14.05.2018).

18

5. Веб-сервис Google Maps компании Google [Электронный ресурс]. Режим доступа: http://maps.google.com/ (дата обращения: 14.05.2018).

6. Миротин Л., Лебедев Е. Логистика в автомобильном транспорте. Изд-во «Феникс», 2015. 240 стр.

7. Неруш Ю.М., Саркисов С.В. Транспортная логистика: учебник для академического бакалавриата. М.: Изд-во «ЮРАЙТ», 2015. 351 с.

8. Николенко С., Кадурин А., Архангельская Е. Глубокое обучение. Погружение в мир нейронных сетей. Издательство: Питер СПб., 2017.

9. Саймон Хайкин. Нейронный сети: полный курс - второе издание // Изд-во: «Вильямс», 2016. 1104 с.

10. Тархов Д.А. Нейросетевые модели и алгоритмы. Справочник. Изд-во: «Радиотехника», 2014. 352 с.

ЭФФЕКТИВНОСТЬ РАБОТЫ ГОРНЫХ ЭКСКАВАТОРОВ В КАРЬЕРЕ «У08ИЫК» АО «АГМК» Муратов Г.Г.1, Гоибназаров Б.А.2, Жураев А.Ш.3, Тугалбаев Д.А.4,

Собиров Р.Р.5

1Муратов Гуламжан Гафурович - старший преподаватель, кафедра электротехники и электромеханики; 2Гоибназаров Бахром Абдаалиевич - старший преподаватель, кафедра горного дела, Алмалыкский филиал Ташкентский государственный технический университет им. Ислама Каримова,

г. Алмалык; 3Жураев Акбар Шавкатович - ассистент, кафедра горной электромеханики, Навоийский государственный горный институт, г. Навоий; 4Тугалбаев Даврон Абдурасулович - студент;

5Собиров Рустам Расулович - студент, кафедра электротехники и электромеханики, Алмалыкский филиал Ташкентский государственный технический университет им. Ислама Каримова,

г. Алмалык, Республика Узбекистан

Аннотация: авторы рассматривают необходимость эффективной работы горных экскаваторов. Горные экскаваторы имеют множество преимуществ, они: производительны, имеют превосходную управляемость и маневренность, просты и неприхотливы в обслуживании. За счет современной и надёжной конструкции, а также использования материалов повышенной прочности экскаваторы этого класса получили возможность работать практически в любых погодных и климатических условиях. Кабина оператора находится выше кузова экскаватора, что гарантирует великолепный обзор. Итогом работы является ряд существенных факторов усовершенствования работы горных экскаваторов.

Ключевые слова: экскаватор, маневренность, климатические условия, тиристоры.

Различные горные и машиностроительные оборудования используется в самых разных отраслях промышленности, в том числе и на добычи полезных ископаемых. Горные экскаваторы относятся к оборудованию или спецтехники, активно используемой на всех этапах разработки, а именно: погрузка грунта и ископаемых в транспорт, разработка месторождений, организация отвалов, кроме того существует